Modelación matemática de la propagación del SARS-COV-2 en la ciudad de Bogotá, mediante modelos de tipo SEIR
DOI:
https://doi.org/10.56085/01238590.25Palabras clave:
SARS-COV-2, modelación matemática, recursos sanitariosResumen
En este artículo se presentan la metodología y los resultados obtenidos a partir de la implementación de un modelo estocástico tipo SEIR para la dinámica del virus SARS-COV-2 en la ciudad de Bogotá, el cual considera las características etarias y de contacto específicas de la población de la ciudad. A partir de las proyecciones del modelo fue posible estimar la capacidad hospitalaria y funeraria de la ciudad necesaria para atender la emergencia sanitaria, lo cual sirvió como herramienta técnica de alto nivel para los tomadores de decisiones.
Descargas
Referencias
Walker PGT, Whittaker C, Watson OJ, Baguelin M, Winskill P, Hamlet A, et al. The impact of COVID-19 and strategies for mitigation and suppression in low- and middle-income countries. Science. 24 de julio de 2020;369(6502):413-22. https://doi.org/10.1126/science.abc0035
Watson O, Walker P, Whittaker C, Winskill P, Charles G. mrc-ide/squire [Internet]. Squire. 2021. Disponible en: https://github.com/mrc-ide/squire
Quevedo DS, Salas L, Serrano JD. Modelación matemática de la propagación del SARS-CoV-2 en la ciudad de Bogotá. Bol Epidemiológico Dist [Internet]. 2021;18(5). Disponible en: http://www.saludcapital.gov.co/DSP/Boletines%20epidemiologicos/2019/BED_VOL_18_No_5.pdf https://doi.org/10.56085/01238590.169
Watson O, Walker P, Whittaker C, Winskill P, Charles G. Model parameters [Internet]. Squire 0.6.7. 2021. Disponible en: https://mrc-ide.github.io/squire/articles/parameters.html
Lauer SA, Grantz KH, Bi Q, Jones FK, Zheng Q, Meredith HR, et al. The Incubation Period of Coronavirus Disease 2019 (COVID-19) From Publicly Reported Confirmed Cases: Estimation and Application. Ann Intern Med. 5 de mayo de 2020;172(9):577-82. https://doi.org/10.7326/M20-0504
Bi Q, Wu Y, Mei S, Ye C, Zou X, Zhang Z, et al. Epidemiology and transmission of COVID-19 in 391 cases and 1286 of their close contacts in Shenzhen, China: a retrospective cohort study. Lancet Infect Dis. agosto de 2020;20(8):911-9. https://doi.org/10.1016/S1473-3099(20)30287-5
Sreevalsan-Nair J, Vangimalla RR, Ghogale PR. Analysis and Estimation of Length of In-Hospital Stay Using Demographic Data of COVID-19 Recovered Patients in Singapore [Internet]. Epidemiology; 2020 abr [citado 27 de diciembre de 2022]. Disponible en: http://medrxiv.org/lookup/doi/10.1101/2020.04.17.20069724 https://doi.org/10.1101/2020.04.17.20069724
ISARIC Clinical Characterisation Group, Baillie JK, Baruch J, Beane A, Blumberg L, Bozza FA, et al. ISARIC COVID-19 Clinical Data Report issued: 04 oct 2020 [Inter- net]. Infectious Diseases (except HIV/AIDS); 2020 jul [citado 27 de diciembre de 2022]. Disponible en: http://medrxiv.org/lookup/doi/10.1101/2020.07.17.20155218
Richards-Belle A, Orzechowska I, Gould DW, Thomas K, Doidge JC, Mouncey PR, et al. COVID-19 in critical care: epidemiology of the first epidemic wave across England, Wales and Northern Ireland. Intensive Care Med. noviembre de 2020;46(11):2035-47. https://doi.org/10.1007/s00134-020-06267-0
Prem K, Cook AR, Jit M. Projecting social contact matrices in 152 countries using contact surveys and demographic data. Halloran B, editor. PLOS Comput Prem K, Zandvoort K van, Klepac P, Eggo
Prem K, Zandvoort K van, Klepac P, Eggo RM, Davies NG, Centre for the Mathematical Modelling of Infectious Diseases COVID-19 Working Group, et al. Projecting contact matrices in 177 geographical regions: An update and comparison with empirical data for the COVID-19 era. Ferrari M (Matt), editor. PLOS Comput Biol. 26 de julio de 2021;17(7):e1009098. https://doi.org/10.1371/journal.pcbi.1009098
Cori A, Ferguson NM, Fraser C, Cauchemez S. A New Framework and Software to Esti- mate Time-Varying Reproduction Numbers During Epidemics. Am J Epidemiol. 1 de noviembre de 2013;178(9):1505-12. https://doi.org/10.1093/aje/kwt133
Thompson RN, Stockwin JE, van Gaalen RD, Polonsky JA, Kamvar ZN, Demarsh PA, et al. Improved inference of time-varying reproduction numbers during infectious disease outbreaks. Epidemics. diciembre de 2019;29:100356. https://doi.org/10.1016/j.epidem.2019.100356
Wallinga J. Different Epidemic Curves for Severe Acute Respiratory Syndrome Reveal Similar Impacts of Control Measures. Am J Epidemiol. 15 de septiembre de 2004;160(6):509-16. https://doi.org/10.1093/aje/kwh255
Fraser C. Estimating Individual and House- hold Reproduction Numbers in an Emerging Epidemic. Galvani A, editor. PLoS ONE. 22 de agosto de 2007;2(8):e758. https://doi.org/10.1371/journal.pone.0000758
Cori A, Zhian N. Kamvar, Stockwin J, Jombart T, Dahlqwist E, FitzJohn R, et al. mrcide/EpiEstim: 2.2-3 [Internet]. Zenodo; 2020 [citado 4 de enero de 2023]. Disponible en: https://zenodo.org/record/3871387
Cao Z, Zhang Q, Lu X, Pfeiffer D, Jia Z, Song H, et al. Estimating the effective reproduction number of the 2019-nCoV in China [Internet]. Infectious Diseases (except HIV/AIDS); 2020 ene [citado 4 de enero de 2023]. Disponible en: http://medrxiv.org/lookup/doi/10.1101/2020.01.27.20018952 https://doi.org/10.1101/2020.01.27.20018952
